Een causaliteitsvraag betreft een oorzakelijk verband: leidt iets toit iets anders?
Als je onderzoek doet omdat je doelstelling is om een interventie (zoals een therapievorm) of een protocol (zoals hoe patienten worden benaderd) te verbeteren, dan betreft dat vaak causaliteit: dergelijke aanpassingen zullen vaak gebaseerd zijn op de aanname dat die aanpassing een causaal effect zal hebben op iets anders (e.g. hogere therapietrouw). Als je bijvoorbeeld health literacy zou onderzoeken om te kijken of dat leidt tot hogere therapietrouw, dan is dat een causaal verband. Dit is niet te onderzoeken met een cross-sectioneel ontwerp. Dat komt omdat correlaties geen causaliteit impliceren: van alle correlaties is slechts een fractie indicatief voor een causaal verband, dus als je een causaal verband hypothetiseert tussen health literacy en therapietrouw, een cross-sectionele studie doet, en een sterke correlatie vindt tussen die twee, dan maakt dat het niet aannemelijk dat je hypothese klopt. En andersom geldt dat als je geen correlatie vindt, dat dat het niet aannemelijk maakt dat je hypothese niet klopt.
Ditzelfde geldt overigens voor 'dubbele causale verbanden' zoals mediatie en moderatie. Patronen in correlaties kunnen je nooit iets leren over zulke onderzoeksvragen of hypothesen.
Descriptieve vragen, aan de andere kant, beschrijven de 'natuurlijke wereld'. Deze staan vaak aan de basis van (uiteindelijk, als er heeeeel veel 'descriptie' (beschrijving) heeft plaatsgevonden) theorievorming, en die theorieen betreffen dan vaak wel causale verbanden (die dan onderzocht kunnen worden met andere studies, idealiter met experimentele intensieve longitudinale ontwerpen).
In veel gevallen zijn descriptieve onderzoeksvragen veel haalbaarder, omdat experimenten lang niet altijd mogelijk zijn binnen de beperkte scope van een bachelor- of masterthese/scriptie. Als je bijvoorbeeld al weet dat je cross-sectioneel onderzoek moet doen, dan ben je sowieso beperkt tot descriptieve onderzoeksvragen (in de psychologie en andere studies met mensen; in sommige vakgebieden kan dit, in een zekere mate, wel met cross-sectioneel onderzoek. Hiervoor heb je echter een heel duidelijk beeld nodig van alle relevante variabelen die je kunt modeleren in een zogenaamde 'Directed Acyclic Graph', en dat is in mens-gebonden vakgebieden bijna nooit realistisch).
Er zijn een aantal recente artikelen van onder andere de briljante Julia Rohrer die ik iedereen kan aanrader die hiermee worstelt:
Er is nog veel meer hierover natuurlijk, maar dit is een goed startpunt.
Deze artikelen raken ook aan de vraag over confounding. Dit is deels wel waar en deels niet. Als je descriptief onderzoek doet, kan er geen confounding zijn. Je schat immers geen causale effecten, en met 'confounding' wordt meestal een 'biassing'/verstoring van causale effecten bedoeld door covariaten (i.e. andere variabelen).
Een van de redenen dat je met een cross-sectioneel ontwerp niets kunt concluderen over het causale verband tussen health literacy en therapietrouw is omdat, bijvoorbeeld, mensen uit een meer geprivilegeerde achtergrond vaak een meer theoretisch opleidingsniveau hebben, waardoor ze meer zijn getrained in lezen en denken in termen van abstracte concepten, waardoor het bereiken van een hoge health literacy voor hen makkelijker is; terwijl diezelfde factoren zich kunnen manifesteren in hogere therapietrouw. De correlatie wordt dan verklaard door andere causale verbanden: hij wordt 'geconfound'. Er zijn natuurlijk duizenden mogelijke confounders te bedenken, en die kun je niet altijd meten (en overlappen in hun definitie vaak met de constructen waarin je bent geinteresseerd), dus hier is geen oplossing voor met cross-sectionele (of longitudinale) data: alleen experimenten, of de combinatie van tientallen of honderden goed gecoordineerde studies kunnen dan uitsluitsel bieden over of er een causale relatie bestaat.
Anderzijds kun je ook stellen dat je in je beschrijving wel benieuwd bent naar welke variabelen met welke variabelen samenhangen en hoe sterk die verbanden zijn, nog los van of die verbanden iets zeggen over causaliteit. In dat geval kan het bijvoorbeeld zo zijn dat je goede reden hebt om aan te nemen dat het verband tussen health literacy en therapietrouw positief is voor mensen die niet godsdienstig zijn, maar negatief voor mensen die wel godsdienstig zijn. Los van of je denkt dat er causale relaties bestaan tussen die drie variabelen kun je dan verwachten dat je je 'godsdienstigheid' niet meeneemt, je zult concluderen dat er geen verband is tussen health literacy en therapietrouw. In zo'n geval zou je 'godsdienstigheid' ook een confounder kunnen noemen.
Dit is echter geen gangbare definitie; meestal betreft confounding (verstoringen voor) de zuivere schatting van causale verbanden.
